CN107169483A - 基于人脸识别的任务执行 - Google Patents

Abstract

本发明提供一种基于人脸识别的任务执行方法，包括以下步骤：激活当前任务；获取包含人脸的结构光图像；利用所述结构光图像进行人脸检测与识别；以及根据所述人脸检测与识别结果执行任务。这里结构光图像为红外散斑图像，由于红外散斑图像即保留了人脸二维纹理信息特征又与三维深度特征直接相关，另外红外光不受外界环境干扰，因此本发明的方法可以全天候地实现对人脸进行识别，无需进行活体检测就能实现精确识别。

Description

基于人脸识别的任务执行

技术领域

本发明属于计算机技术领域，更具体地说，是涉及一种基于人脸识别的任务执行方法。

背景技术

人体有诸多唯一的特征，比如人脸、指纹、虹膜、人耳等，这些特征被统称为生物特征。生物特征识别被广泛用于安防、家居、智能硬件等众多领域，目前较为成熟的生物特征识别比如指纹识别、虹膜识别等已被普遍应用于手机、电脑等终端。而对于人脸等特征，尽管相关的研究已经非常深入，而对于人脸等特征的识别则仍未普及，这主要是因为已有的识别方法存在局限导致识别率及识别的稳定性较低。这些局限主要包括受环境光光强以及光照方向影响、人脸表情影响识别率、以及容易被人造特征欺骗等。

已有的人脸等特征的识别，主要基于人脸二维彩色图像，当环境光强较弱时，会严重影响识别效果。另外，当光照的方向不同时，人脸图像上会存在阴影，同样也会影响识别效果。当被参照的人脸图像是在没有表情的情形下采集的，而当前是在微笑表情下采集的人脸图像，人脸识别的效果也会下降。另外，若被识别对象不是真实人脸，而是二维的人脸图片时，往往也能通过识别。

对于以上的问题，目前普遍采用基于近红外或热红外图像的生物特征识别，近红外图像不会受到环境光的干扰可以提高识别稳定性，然而却难以解决人造特征欺骗的问题；热红外图像仅对真实人脸成像，因此可以解决人造特征欺骗的问题，然而热红外图像分辨率低，严重影响识别效果。

基于以上说明，目前仍缺乏一种较为全面的生物特征解决方案以用来执行像解锁、支付等任务。

发明内容

本发明为了解决现有技术中缺乏一种全面的人脸识别方案的问题，提供一种基于人脸识别的任务执行方法。

为了解决上述问题，本发明采用的技术方案如下所述：

本发明提供一种基于人脸识别的任务执行方法，其特征在于，包括：激活，激活当前任务；图像采集，获取包含人脸的结构光图像；识别，利用所述结构光图像进行人脸检测与识别；执行，根据所述人脸检测与识别结果执行任务。

在一些实施方案中，所述结构光图像包括红外散斑图像。在一些实施方案中，所述红外散斑图像的散斑颗粒密度被设置为不遮挡所述人脸的主要纹理特征。

在一些实施方案中，所述人脸检测与识别是利用基于机器学习的检测与识别算法，所述算法中用于模型学习的样本库由彩色图像和/或灰度图像组成。

在一些实施方案中，所述图像采集还包括获取包含人脸的可见光图像；所述识别包括利用所述结构光图像以及所述可见光图像进行人脸检测及识别。

在一些实施方案中，所述识别包括以下步骤：利用所述结构光图像计算出深度图像；利用所述结构光图像以及所述深度图像进行人脸检测及识别。

在一些实施方案中，所述装置还包括：所述图像采集还包括获取包含人脸的热红外图像；所述识别包括利用所述结构光图像以及所述热红外图像进行人脸检测及识别。

在一些实施方案中，所述人脸检测与识别包括对所述人脸位置的识别。

在一些实施方案中，所述人脸检测与识别包括对所述人脸距离的识别。

本发明还提供一种处理电路，用于执行以上各权利要求所述的基于人脸识别的任务执行方法。

本发明的有益效果为：提供一种基于人脸识别的任务执行方法，通过利用红外散斑图像对人脸直接进行检测与识别，由于红外散斑图像即保留了人脸二维纹理信息特征又与三维深度特征直接相关，另外红外光不受外界环境干扰，因此本发明的方法可以全天候地实现对人脸进行识别，无需进行活体检测就能实现精确识别。

附图说明

图1所示的根据本发明一种实施例的人脸识别场景示意图。

图2是根据本发明一个实施例的人脸识别装置的结构示意图。

图3是根据本发明一个实施例的利用结构光图像进行人脸识别步骤图。

图4是根据本发明一个实施例的利用结构光图像与可见光图像进行人脸识别步骤图。

图5是根据本发明一个实施例的利用结构光图像与深度图像进行人脸识别步骤图。

图6是根据本发明一个实施例的利用结构光图像与热红外图像进行人脸识别步骤图。

图7是根据本发明实施例的基于人脸识别的任务执行方法步骤图。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接即可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

本发明提供了一种利用结构光图像进行生物特征识别的装置及其方法。在以下的阐述中将以人脸特征识别为例。

人脸识别技术可以被用于安检、监控，目前随着智能终端比如手机、平板的普及，人脸识别技术也会被应用于解锁、支付，甚至娱乐游戏等多个方面。智能终端设备，比如手机、平板、电脑、电视等大都配备了彩色相机，利用彩色相机采集包含人脸的图像后，利用该图像进行人脸检测及识别，从而进一步利用识别的结果执行其他相关的应用。然而，对于像手机、平板等移动终端设备而言，其应用环境常常变化，环境变化会影响彩色相机的成像，比如光线较弱时则无法对人脸进行很好的成像。另一方面，彩色相机无法识别被识别对象是否为真实人脸。

本发明将提供一种即可以分辨真假人脸也不受环境光干扰的人脸识别方法及装置。

图1所示的根据本发明一种实施例的人脸识别场景示意图。用户10手持人脸识别装置11（移动终端，如手机、平板等），移动终端11内部前置了一个投影模组111以及成像模组112，当移动终端11面向用户头部且激活了人脸识别任务后，投影模组111向用户脸部投射结构光图像（如散斑图像12），成像模组112用于采集包含人脸的图像，图像中还包含有散斑图像12。终端11内部还配置有处理电路(未在图中标出)，用来实现对含有散斑图像12的人脸图像的处理。对于人脸识别系统，处理电路一般需要执行以下任务：图像预处理、人脸检测、人脸分割、特征提取、人脸识别以及根据识别结果执行相关的任务，比如解锁、支付等。该处理电路可以是单个专用的处理器，也可以是多个处理器组成，所需要执行的任务以软件算法的形式被写入到处理电路中执行。处理电路也可以根据当前的应用执行相应的任务，比如针对需要深度图像的应用，则可以执行深度计算的任务。

在一些实施例中，人脸识别装置11也可以是固定的终端设备，比如电脑、电视、机顶盒、游戏机、安检闸机等。

在一些实施例中，人脸识别装置11也可以是分开的多个装置组成，比如由摄像头（包含投影模组111以及成像模组112）以及计算设备组成，摄像头与计算设备之间连接以传输数据，连接方式包括有线及无线连接。一般地，摄像头用来获取人脸的结构光图像，图像通过网络连接传输到计算设备后进一步由计算设备中的处理电路来执行相应的任务。可以理解的是，摄像头上也可以设置一些处理电路来执行部分任务。

图2是根据本发明一个实施例的人脸识别装置的结构示意图。投影模组111包含光源、透镜以及结构光生成器（如衍射光学元件DOE），光源发射光束后被透镜准直或聚焦，再经过DOE分束后向外发射出散斑图像12。一般地，光源为近红外激光，比如边发射激光器或VCSEL激光器，采用近红外激光可以向外发射出不可见的散斑图像12，因此不会对人造成视觉干扰，另一方面，近红外激光容易被红外成像模组112采集。可以理解的是，光源可以采用任何合适的波长，在此不受局限。

投影模组111与成像模组112与人脸识别装置11中的主板115连接，另外用于执行计算任务的处理器113也通过主板与投影模组及成像模组112连接。

在一个实施例中，人脸识别装置11中也配置了用于获取纹理图像的可见光相机114，比如RGB相机、灰度相机等。可见光相机114与成像模组112也可以合二为一，即在成像模组112内部的图像传感器(如CMOS、CCD)各像素表面分别配置用于不同波长通过的滤光片，以分别采集结构光图像以及可见光图像。

在一个实施例中，人脸识别装置11中也配置了用于获取目标热红外图像的热红外相机114。

图3是根据本发明一个实施例的利用结构光图像进行人脸识别步骤图。包括以下步骤。

步骤301中，通过投影模组111向包含人脸的空间区域中投射结构光，例如散斑12。

步骤302中，利用成像模组112采集包含人脸的散斑图像。

步骤303中，根据采集到的散斑图像，检测出散斑图像中的人脸区域图像。

步骤304中，基于所检测到的人脸区域图像进行人脸识别。

在步骤303中，人脸检测的步骤是直接基于散斑图像的，这是由于散斑图像与其他结构光图像（如相位条纹、二值编码等）相比，人脸的绝大部分信息都得以保留，换个角度说，散斑图像等同于可见光灰度图像加上一些噪声，因此在进行人脸检测时，一个实施例中可以先对散斑图像进行预处理，比如利用形态学图像处理方法进行噪声去除等。对于条纹、二值编码等结构光图像，当被投影到人脸时，超过一半的人脸信息将被结构光图像遮挡，且被遮挡部分由于面积较大且连续导致无法通过图像算法恢复，而散斑图像尽管覆盖在人脸上，但由于散斑颗粒较小，且不连续，不会对人脸纹理造成较大的失真。

人脸识别任务一般有人脸认证与人脸鉴定，人脸认证指已知当前人脸存在于人脸数据库中，人脸认证的任务是识别出该人脸是谁；人脸鉴定指不知道当前人脸是否存在于人脸数据库中，人脸鉴定的任务是做出判断，输出存在与不存在的结果。但无论是哪一种方式，人脸识别本质上都包含以下步骤：特征提取以及特征匹配。步骤304中将基于检测到的人脸区域图像进行人脸识别，主要包括对人脸区域散斑图像进行特征提取，进一步利用的特征进行人脸识别。

图4是根据本发明一个实施例的利用结构光图像与可见光图像进行人脸识别步骤图。包括以下步骤。

步骤401中，通过投影模组111向包含人脸的空间区域中投射结构光，例如散斑12。

步骤402中，利用成像模组112采集包含人脸的散斑图像 。

步骤403中，利用可见光相机114采集包含人脸的可见光图像。

步骤404中，根据采集到的散斑图像与可见光图像，检测出散斑图像与可见光图像中的人脸区域图像。

步骤405中，基于所检测到的人脸区域图像进行人脸识别。

其中，步骤402与步骤403可以同步进行，比如由控制器控制成像模组112与可见光相机114进行同步采集。可见光图像可以是彩色图像，比如RGB图像，也可以是灰度图像，这里的可见光图像指的是反映人脸纹理特征且不包括结构光信息的图像。当投影模组投射的也是可见光时，为了防止结构光对可见光图像采集时产生影响，步骤402与步骤403应错开进行，其先后顺序可以任意设置。

在步骤404中进行人脸区域检测时，可以分别对散斑图像以及可见光图像进行人脸检测，也可以仅对其中一幅图像进行检测，结合两个相机的相对位置关系从而直接得到另一幅图像上的人脸区域，相对位置关系需要通过预先进行标定。一般地，可见光图像的人脸检测技术较为成熟可靠，因此在一个实施例中，通过对可见光图像进行人脸区域检测，其次根据检测结果以及两个相机的相对位置关系得到散斑图像上的人脸区域。

在步骤405中，可以仅利用散斑图像中的人脸区域图像进行人脸识别，也可以结合可见光图像中的人脸区域图像，以提高识别的正确率。

图5是根据本发明一个实施例的利用结构光图像与深度图像进行人脸识别步骤图。包括以下步骤。

步骤501中，通过投影模组111向包含人脸的空间区域中投射结构光，例如散斑12。

步骤502中，利用成像模组112采集包含人脸的散斑图像。

步骤503中，利用散斑图像计算出相应的深度图像。

步骤504中，根据得到的散斑图像与深度图像，检测出散斑图像与深度图像中的人脸区域图像。

步骤505中，基于所检测到的人脸区域图像进行人脸识别。

在步骤503中，基于结构光三角法可以计算出散斑图像对应的深度图像，具体地，将散斑图像与参考散斑图像进行匹配计算获取各个像素的偏离值，由于偏离值与深度直接相关，因此根据偏离值能计算出深度值。

在步骤504中进行人脸区域检测时，由于散斑图像与深度图像是一一对应的，因此仅需要对其中一幅图像进行检测，一般地，在深度图像中进行图像分割以提取人脸区域更为方便，因此在一个实施例中，通过对深度图像进行人脸区域检测，其次根据检测结果直接得到散斑图像上的人脸区域。

在步骤505中，可以仅利用散斑图像中的人脸区域图像进行人脸识别，也可以结合深度图像中的人脸区域图像，以提高识别的正确率。利用深度图像的另一好处在于，可以判断人脸是否为立体人脸，以防止利用平面照片也可以进行识别的可能，提高人脸识别的安全性。需要说明的是，若利用深度图像进行立体检测时，步骤504中则不能利用对深度图像的图像分割来实现人脸区域提取。

图6是根据本发明一个实施例的利用结构光图像与热红外图像进行人脸识别步骤图。包括以下步骤。

步骤601中，通过投影模组111向包含人脸的空间区域中投射结构光，例如散斑12。

步骤602中，利用成像模组112采集包含人脸的散斑图像。

步骤603中，利用热红外相机114采集包含人脸的热红外图像。

步骤604中，根据得到的散斑图像与热红外图像，检测出散斑图像与深度图像中的人脸区域图像。

步骤605中，基于所检测到的人脸区域图像进行人脸识别。

在步骤604中进行人脸区域检测时，可以先对热红外图像进行检测，由于热红外图像独特的成像特性，可以根据热红外图像轻易的识别出是否存在人脸，或是否为真实人脸。当检测到真实人脸时，则进入步骤605，若没检测到人脸，或检测到是虚假人脸时，则无需进入对人脸的识别步骤。因此，热红外图像在这里承担了活体检测的任务。

在步骤605中，可以仅利用散斑图像中的人脸区域图像进行人脸识别，也可以结合热红外图像中的人脸区域图像，以提高识别的正确率。

以上几种人脸识别实施例中，仅介绍了大致的过程，可以理解的是，通过对以上过程中的一个或多个步骤的等同替换、调整也将落入到本发明的保护范围内。接下来对其中涉及到的人脸检测、人脸识别进行介绍。

人脸检测。人脸检测的主要目的是检测出图像中是否存在人脸以及人脸所在的位置，人脸检测算法主要包括基于知识规则、不变特征、模板匹配以及统计模型共四类方法。在以上各实施例的步骤中，涉及到散斑图像、可见光图像、热红外图像以及深度图像，对于不同图像进行人脸检测所时应选择合适的算法。比如对于可见光图像，可以采用基于不变特征(如肤色等特征）的人脸检测算法；而对于深度图像，由于反映的是人脸的三维信息，因此，利用基于三维模板匹配的方法较为适用；对于热红外图像，一般图像中能轻易地通过阈值区分出人脸，因此可以根据知识规则(阈值)来进行人脸检测；对于散斑图像，实际上可以看成是普通灰度图像上增加了一些噪声，在进行人脸检测时，一种方法是通过图像处理将散斑尽可能去除后进行人脸检测，另一种方案是直接利用散斑图像进行人脸检测。

由于人脸图像往往会受到不同程度的外界因素影响导致图像质量较低，此时基于统计模型的人脸检测算法可以提供更加准确的检测结果。从统计意义上说，人脸检测问题即是一个分类器问题，即图像上的像素只可能是两种情况，一种是人脸，一种不是人脸。比如Adaboost算法在人脸检测方面已被证明具有很高的检测率。

人脸检测算法多种多样，以上的方法仅为举例说明，任何合适的算法都可以被用来进行人脸检测。

人脸识别。检测到人脸图像后，需要对该人脸图像进行识别，人脸识别算法主要有利用总体纹理特征的基于外观的方法、子空间法、神经网络法以及基于形状和纹理的基于模型的方法等。针对不同的图像可以选择不同的方法，比如对于深度图像优选地采用基于模型的人脸识别方法。对于可见光图像，最早的人脸识别方法是基于几何特征的算法，该算法通过提取待识别图像与模板图像中的特征子，然后计算出两种特征子之间的相似度，比如利用最小距离量度来衡量相似度以实现人脸识别。任何合适的算法都可以被用来进行人脸识别。

在进行人脸检测与人脸识别时时，热红外图像尽管具备活体识别的功能，然而热红外相机成本较高，另外热红外图像会随着被识别者情绪等多种因素影响，导致仅利用热红外图像进行人脸识别的效果不理想。而利用可见光图像进行人脸检测与识别时，一方面受光照等影响严重，另一方面可见光图像由于仅能反映被识别者人脸的二维信息，因此容易导致当用被识别者的二维图像作为被识别对象时也会被识别的隐患。利用深度图像进行人脸检测与识别时，可以方便地进行活体识别，然而由于深度图像的特征较少，在进行人脸识别特征比对时难度较大。

散斑图像上包含了绝大部分人脸的二维纹理信息，另外图像上的散斑则直接与人脸的三维信息相关，因此利用人脸的散斑图像不仅可以很好的进行人脸检测与识别，还可以判断是否为活体。需要说明的是，这里所说的活体判断并非单独的进行一次活体检测任务，而是说利用散斑图像可以有非常有效地降低当被测对象为非三维真实人体时的识别相似度。举例来说，假设当前的人脸识别任务是判断当前被识别人脸是否与系统中存储的人脸是否为同一人脸，首先将被测试者真实人脸的标准散斑图像保存到存储器中，然后对被测试者人脸采集当前散斑图像，最后对当前散斑图像与标准散斑图像进行相似度识别，从而判断是否为同一人脸。显然地，若在采集当前散斑图像时，被采集对象是真实人脸，相似度识别的结果将显示为同一人脸；若被采集对象是虚假的包含被测试者人脸二维相片时，采集到的散斑图像中虽然有被测试者人脸相同的二维纹理信息，然而散斑图像上的散斑却反映的是平面信息而非立体信息，因此导致最终的相似度识别结果为非同一人脸。

利用散斑图像进行人脸检测与识别可以基于任何用于彩色图像、灰度图像、深度图像的检测与识别算法，在一些基于机器学习的算法中，用于学习的样本库最好是由多个人脸的散斑图像组成，在一些实施例中也可以是由彩色图像、灰度图像或者深度图像组成。事实证明，当由彩色图像组成的样本库学习出的模型对散斑图像进行识别时，能够很好的避免由虚假二维照片引起的错识别。

散斑图像中散斑颗粒的密度会影响到人脸识别的性能，散斑图像若过密将会遮挡更多的人脸纹理信息，散斑图像若过于稀疏又会使得其所反映的三维特征信息太少。因此散斑图像的密度应被控制在合理的范围内，即不会过多地遮挡人脸主要纹理信息（比如眼睛、鼻子、嘴巴等）又可以较精确地反映出人脸的三维特征。在一些实施例中，投影模组被设置为可以投影多种密度的散斑图像，当进行人脸检测与识别时，则投影低密度散斑图像，当需要进行三维扫描任务时，则投影出高密度散斑图像。在一些实施例中，投影模组可以投影出多种密度且均能满足不遮挡人脸主要纹理信息的散斑图像，密度较低的散斑图像用于人脸识别时，识别速度快，但识别精度低，而密度较高的散斑图像则识别速度慢，但识别精度高。

在图4~图6所对应的人脸识别方法或者利用不同密度的散斑图像进行的人脸识别方法中，均是基于两种或以上不同的图像进行识别的，这样的好处在于可以适用于更多的场景且提高识别率。在将两种或以上的图像进行识别时，一般有两种识别整合方法，一种是基于决策的融合，即分别对各种图像进行识别，然后将识别结果进行融合以得到最终的识别结果；另一种是数据融合，即将两种或以上的图像直接作为人脸识别系统的输入，在人脸识别算法过程中，各种图像上的特征都作为最终结果的依据。

人脸检测与识别可以被用于多种任务中，比如智能设备的解锁、支付等。一般地，任务的执行包括三个步骤：任务激活、人脸识别以及任务执行。

在一些实施例中，由于不同的任务的安全等级不同，若对于不同安全等级的任务采用同一种人脸识别方案显然是不合理的，对于安全等级较低的任务，比如解锁，可以采用较为简单、快速的人脸识别方案；而对于安全等级较高的任务，比如支付，则适宜采用较为复杂、准确的人脸识别方案。

图7是根据本发明实施例的基于人脸识别的任务执行方法步骤图。包括以下步骤：

步骤701中，激活当前任务。激活可以由多种方式进行，比如按键、惯性测量设备(IMU)等。在一个实施例中，任务是移动设备由休眠状态解锁至设备打开，激活该任务可以由一些按键来执行，比如home键、开关键、音量键等，也可以通过内部的IMU设备，比如用户拿起移动设备迅速移动产生相应的加速度被IMU设备获取（例如用户从某一地方拿起移动设备引起的加速度），当加速度达到某一阈值时激活当前任务。在一个实施例中，任务是支付任务，激活该任务可以直接通过相关软件上的虚拟按钮来执行，可以理解的是激活任务的方法可以由其他任何合适的方式。

步骤702中，判断当前识别任务的安全等级。即激活任务之后需要对当前任务的安全等级予以判断。一个实施例中，对各种可能的任务预先设置相应的安全等级，比如解锁任务为安全等级1、软件打开任务为安全等级2、支付任务为安全等级3，安全等级越高意味着当前任务的私密性越高，对人脸识别的准确度要求越高。当激活之后，对当前的任务进行安全等级的判断。

步骤703中，执行与安全等级对应的人脸识别方法。在图3~图6中共介绍了4种人脸识别方法，不同识别方法需要的硬件及软件算法不同，在一个实施例中，若当前人脸识别装置均可以执行以上方法，并且按照算法的准确性对以上方法进行分类，并按准确性对不同方法进行分类并与安全等级进行匹配。这一步骤中，根据上一步中获得的安全等级执行相应的人脸识别方法，比如对于安全级别最低的解锁任务，执行如图3所示的人脸识别方法。在一些实施例中，通过投影不同密度的散斑图像来针对不同安全级别的任务，散斑图像密度越高对应的安全级别也越高。可以理解的是，任何两种以上且不同效果的人脸识别方法均可以被用于本发明中以对应不同的安全等级。

步骤704中，根据人脸识别结果执行相应的任务。比如对于解锁任务，当人脸识别结果表明被识别对象与系统内保存的对象为同一人时，执行相应的指令予以解锁。可以理解的是，识别结果一般包含正面及负面结果，不同的结果应执行不同的任务，或者不执行任何任务。在一些实施例中，人脸识别的结果除了判断是否为同一人或者属于标准人物库中的一员等情形外，还应包括识别到的人脸的位置和/或距离，仅当人脸的位置和/或距离达到预设值时才会执行相应的任务。

不同的人脸识别装置由于硬件配置的不同，导致其能实现的人脸识别方法也不同，因此在以上的说明中，不同安全等级所执行的人脸识别方法也会有所差异。安全等级的数量与人脸识别方法的数量也未必相同，可以理解的是，以上的说明所要保护的范围不会受到此局限。另外，即使相同的硬件配置，也可以设置不同的识别算法以对应不同的安全等级。

本实施例中以系统应用的安全来进行分级，可以理解的是，其他任何分级都被包含在本发明的范围内。

以上对人脸进行识别的装置与方案也可以被用在其他人体生物特征的识别中，在一些实施例中，可以利用结构光图像对人耳进行识别并进一步执行相应的任务。下面将介绍一种利用人耳识别来执行移动终端的通话任务。

人耳也是可以辨别身份的生物特征，在一些应用中，特别是对于移动通信终端的通话任务而言，最终是要将终端靠近耳朵来执行通话任务，已有的方法中，当终端来电时，通话需要通过按键或按钮来接听，然而将终端靠近耳边来进行通话。在本发明中将提供一种更加便捷的接听方法，即当来电时，无需进行按键或按钮来接听，而是直接将终端靠近人耳，并通过对人耳的识别来判断是否接听。

当移动通信终端有来电时，即执行了激活通话任务，并弹出指令指示是否接听。在一个实施例中，将通话任务的安全等级设置为较高，即仅终端的所有人或指定的个别人可以接听；在一些实施例中，也可以将通话任务的安全等级设置为低，即所有人都可以接听。

接下来，即执行与安全等级对应的人耳识别方法。对于仅个别人可以接听的安全等级，终端在靠近人耳的过程中，不断执行对当前人耳的检测与识别并判断是否属于已保存的人别个体的耳朵中的一个，若是即执行接听任务，若否则执行拒接任务。对于所有人都可以接听的安全等级，终端在靠近人耳的过程中，执行对人耳的检测与识别，并判断是否为人耳，若是即执行接听任务。

在一个实施例中，对人脸或人耳的检测与识别还包括人脸或人耳相对于识别终端的位置或距离等的识别，即不仅要识别出人脸或人耳，还需要判断人脸或人耳是否处在合适的位置后，再执行下一步的任务。在一个实施例中，当人耳足够靠近终端时才开启接听任务，比如，这一距离可以设置为5cm以内。

利用对人耳的识别除了可以执行通话任务，还可以执行其他对终端状态的改变，比如当前状态是利用扬声器进行声音外放的状态，当终端靠近人耳且被识别之后将终端状态变成由听筒发出声音仅靠近时才能听见的状态。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于人脸识别的任务执行方法，其特征在于，包括： 激活，激活当前任务； 图像采集，获取包含人脸的结构光图像； 识别，利用所述结构光图像进行人脸检测与识别； 执行，根据所述人脸检测与识别结果执行任务。

2.根据权利要求1所述的方法，其特征在于，所述结构光图像包括红外散斑图像。

3.根据权利要求2所述的方法，其特征在于，所述红外散斑图像的散斑颗粒密度被设置为不遮挡所述人脸的主要纹理特征。

4.根据权利要求1所述的方法，其特征在于，所述人脸检测与识别是利用基于机器学习的检测与识别算法，所述算法中用于模型学习的样本库由彩色图像和/或灰度图像组成。

5.根据权利要求1所述的方法，其特征在于，所述图像采集还包括获取包含人脸的可见光图像；所述识别包括利用所述结构光图像以及所述可见光图像进行人脸检测及识别。

6.根据权利要求1所述的方法，其特征在于，所述识别包括以下步骤： 利用所述结构光图像计算出深度图像； 利用所述结构光图像以及所述深度图像进行人脸检测及识别。

7.根据权利要求1所述的方法，其特征在于，所述图像采集还包括获取包含人脸的热红外图像；所述识别包括利用所述结构光图像以及所述热红外图像进行人脸检测及识别。

8.根据权利要求1所述的方法，其特征在于，所述人脸检测与识别包括对所述人脸位置的识别。

9.根据权利要求1所述的方法，其特征在于，所述人脸检测与识别包括对所述人脸距离的识别。

10.一种处理电路，其特征在于，所述处理电路用于执行如权利要求1~9所述的基于人脸识别的任务执行方法。